利用偏好学习借助遗留数据加速材料设计
材料科学
2020-06-16 v1 机器学习
计算物理
摘要
机器学习在材料科学中的应用常受实验数据匮乏的制约。与过往实验的遗留数据相整合是解决问题的可行途径，但使用不同条件下获得的数据往往需进行复杂校准。本文提出一种无需校准的新策略，通过偏好学习提升贝叶斯优化的性能。整个学习过程仅基于同一数据集内量的两两比较（即更高或更低），实验设计可在不比较不同数据集内量的情况下完成。我们证明，对于有机分子和无机固态材料，加入遗留数据可显著增强贝叶斯优化。
引用
@article{arxiv.1910.11516,
title = {Leveraging Legacy Data to Accelerate Materials Design via Preference Learning},
author = {Xiaolin Sun and Zhufeng Hou and Masato Sumita and Shinsuke Ishihara and Ryo Tamura and Koji Tsuda},
journal= {arXiv preprint arXiv:1910.11516},
year = {2020}
}
备注
10 pages, 4 figures